目标检测与少数类共识关注

Jan, 2024

Consensus Focus for Object Detection and minority classes

Erik Isai Valle Salgado, Chen Li, Yaqi Han, Linchao Shi, Xinghui Li

TL;DR使用修改的共识焦点和基于源置信度的投票系统，该研究提出了一种半监督和长尾目标检测方法，通过在目标标签空间中选择各个类别的相关性，放宽了少数类别边界框的抑制，从而比 NMS、soft-NMS 和 WBF 等方法获得更高的置信度和更准确的边界框。

Abstract

ensemble methods exploit the availability of a given number of classifiers or detectors trained in single or multiple source domains and tasks to address machine learning problems such as domain adaptation or mul

ensemble methods domain adaptation multi-source transfer learning semi-supervised object detection long-tailed object detection

发现论文，激发创造

提升单一领域通用目标检测：注意多样化和对齐

解决目标检测的领域泛化问题，通过多样化源域和基于类别预测置信度和定位的对齐检测，并在安全关键应用中做出准确决策。

May, 2024

多模态数据筛选与整理：基于目标检测和过滤器集成

我们提出了一种用于 2023 年 DataComp 竞赛过滤轨道的多模态数据筛选方法，该方法将目标检测和基于弱监督的集成相结合，使性能提升了 4%，并在小规模轨道中取得了排名第一的位置，并且通过集成现有基准和弱监督方法在中等规模轨道上实现了 4.2% 的改进。

Jan, 2024

基于注意力原型的无源迁移学习 3D 物体检测

本研究提出一种应用于基于激光雷达的 3D 物体检测器的无源自适应方法，该方法使用班级原型来缓解误标签噪声的影响，利用转换器模块识别对应于错误、过于自信的注释的离群 ROI，通过自学习的过程，降低伪标签的损失并提高性能。

Nov, 2021

基于弱监督学习的多证据过滤与融合方法用于多标签分类、目标检测和语义分割

该论文提出了一种弱监督课程学习流程，用于多标签对象识别、检测和语义分割的任务，其中包括四个阶段，包括训练图像的对象定位、筛选和融合对象实例、像素标注以及基于任务的网络训练，通过这种流程，实现了在 MS-COCO、PASCAL VOC 2007 和 PASCAL VOC 2012 数据集上进行多标签图像分类以及弱监督对象检测和语义分割的最新成果。

Feb, 2018

基于混合类别分布度量的语义一致性特征对齐目标检测模型

该研究提出了一种基于混合类别 H 散度的 Semantic Consistency Feature Alignment Model（SCFAM），结合语义预测模型（SPM）和语义桥接组件（SBC）实现单类和多类特征的语义信息切分和对齐，以及基于 SPM 结果调整生成器损失函数以降低样本不平衡，从而提高面对领域偏差的目标检测模型的性能。

Jun, 2022

双重多标签预测的自适应目标检测

本文提出了一种新的端到端无监督深度领域适应模型，利用多标签对象识别作为双重辅助任务实现自适应对象检测，使用多标签预测揭示每个图像中的对象类别信息，然后使用预测结果执行条件对抗全局特征对齐，从而可以处理图像特征的多模态结构以在全局特征级别上连接域分歧，同时保留特征的可辨析性。此外，还引入了一种预测一致性正则化机制来辅助目标检测，该机制使用多标签预测结果作为辅助正则化信息，以确保对象识别任务和对象检测任务之间一致的对象类别发现。在几个基准数据集上进行实验，结果表明，该模型优于现有方法。

Mar, 2020

学习上下文聚合多源监督用于序列标记

本文介绍了一种名为 Consensus Network 的框架，该框架可以在多个源的注释上进行训练，学习每个源的个体表征，并通过上下文注意力动态聚合源特定的知识，并最终导致反映多个源之间达成一致（共识）的模型，实验结果表明此框架在多源学习方面表现优异

Oct, 2019

加权框融合：来自不同目标检测模型的框融合

该论文提出一种新的物体检测模型的预测结果融合方法，即加权框融合，并在多个数据集上进行了测试与验证，包括 Open Images 和 COCO Object Detection track，取得了最佳结果。

Oct, 2019

领域自适应目标检测的强健学习方法

本文提出了一种基于鲁棒学习思想的目标检测框架，通过使用在源领域上训练的检测模型获取目标领域的嘈杂标签数据，从而实现对所谓领域适应问题的处理。通过在 SIM10K、Cityscapes 和 KITTI 等数据集上的验证，将本文提出的方法与现有方法进行了比较，得出了它的显著提升。

Apr, 2019

领域自适应目标检测：自训练与对抗学习之间的平衡

利用模型的预测不确定性在领域迁移中实现对抗特征对齐和类别级对齐之间的平衡，从而在各种适应场景中超越现有的最先进方法。

Nov, 2023